专利名称：运动想象脑电信号特征的提取方法
技术领域：
本发明属于信息技术领域，更ー步涉及在生命科学领域中应用脑-机接ロ(Brain-Computer Interface, BCI )系统对运动想象时脑电信号特征的提取方法。本发明利用对运动想象脑电信号特征的提取方法提取特征，分类器对特征进行分类，实现单侧手指运动想象的判別，最终达到对开关、鼠标、轮椅等外界装置的控制。
背景技术：
在准备和执行单侧手指运动想象吋，人们大脑皮层的功能性连接发生改变，从而导致其对侧大脑运动感觉区mu和beta节律的脑电信号能量减弱，而其同侧大脑运动感觉区mu和beta节律的脑电信号能量增强。这种想象单侧手指运动时特定脑区特定频率脑电信号的能量变化，被称为事件相关去同步现象。该现象是判别左右手指运动想象脑电信号最根本的特征。因此，通过受试者运动想象时脑电信号的分析，判别受试者运动想象的方向，从而实现对外界装置的控制。目前，提取事件相关去同步现象特征的方法有共同空间模式方法和滤波带宽共同空间模式方法。共同空间模式方法是将脑电信号在某个空间通过ー个映射矩阵变换到另一空间，在该变换过程中使得脑电信号在一种运动想象状态下脑电信号的方差最大化，另ー种运动想象状态下脑电信号的方差最小化，从而提取相应特征，区分这两种运动想象状态。北京エ业大学在其专利申请文件“想象单侧肢体运动的脑电特征的提取方法”(申请号200810056839. 1，申请日 2008. 01. 25，授权号 CN 101219048B,授权日 2010. 06. 23)中提出ー种想象单侧肢体运动的脑电特征的提取方法。该专利技术将共同空间模式(CommonSpatial Pattern, CSP)方法和线性判别分析(FDA)相结合，降低了输入矢量的维数，提高了分类器的推广性，在一定程度上提高了分类正确率。但是，共同空间模式方法必须针对特定的频带和特定的时段。在执行运动想象任务时，由于个体差异的存在，发生事件相关去同步的频带和时段是不一致的。该专利技术存在的不足是，仅根据以往的经验数据，针对想象单侧肢体运动后1-2秒，8-31HZ的脑电信号进行分析，没有考虑发生事件相关去同步现象时频带和时段的个体差异性，导致利用该专利技术提取出的脑电特征不能充分体现受试者想象单侧肢体运动时脑电信号的区别，利用该特征进行分类，分类正确率不高。滤波带宽共同空间模式方法，考虑到每个受试者想象单侧手指运动时发生事件相关去同步频带的不同，针对运动想象脑电信号不同频带的信号，利用共同空间模式方法提取信号特征，并通过互信息方法自动选取特征，最終利用分类器对信号分类，Ang KK, Chin ZY, Haihong Z, et al. “Filter bank common spatial pattern(FBCSP)in brain-computer interface,” IEEE International Joint Conference on NeuralNetworks, 2390-2397 (2008)。该方法通过频域滤波，空间滤波，特征选择和分类四个步骤实现运动想象脑电信号的判別。频域的滤波是利用带通滤波器将脑电信号分为多个子频带的信号；空间滤波是针对每个子频带信号提取相应的CSP特征；特征选择利用互信息方法自动选取能够区分两种运动想象状态的CSP特征；按照分类法则对选出的CSP特征进行分类。由于该方法考虑到频带的个体差异，分类效果有所提高。但是，该方法存在的不足是，进行运动想象时，发生事件相关去同步时段的个体差异性依然没有被考虑，利用该方法提取出的脑电特征依然不能充分体现受试者想象单侧肢体运动时脑电信号的区别，利用该特征进行分类，分类正确率不高。综上所述，对于运动想象脑电信号特征的提取方法，已有方法仅仅考虑了想象单侧手指运动时发生事件相关去同步的脑区和频率的个体差异性，没有考虑到想象单侧手指运动时发生事件相关去同步时段的个体差异性，提取出的脑电特征依然不能充分体现受试者想象单侧肢体运动时脑电信号的区别，利用该特征进行分类，分类正确率不高。
发明内容
本发明的目的在于克服上述已有脑电信号特征提取方法的不足，提出一种运动想象时脑电信号特征的提取方法。该方法充分考虑运动想象时脑电信号发生事件相关去同步的脑区、频率和时间的信息，以便取得更高的分类正确率。实现本发明方法的主要思路是将采集的多通道脑电信号做预处理，再通过频域 滤波，将其分为P个频带；对每个频带的信号进行时域分段，即将信号分成等长的q个信号段；针对每个频带的所有信号段进行參数为m的共同空间模式计算，得到有2m个元素的特征向量，将姆个特征向量中所有元素依次排列，构成有PXqX 2m个元素的总特征向量；在总特征向量中选取出与左右手运动想象任务类别间的互信息最大的由PXqXm个元素构成最优特征向量；利用朴素贝叶斯分类器，采取交叉验证方法，对最优特征向量分类，得到分类正确率。根据上述主要思路，本发明方法的具体实现包括如下步骤(I)采集数据脑电信号采集系统通过受试者佩戴的电极帽，采集想象单侧手指运动的脑电信号;⑵预处理2a)空间滤波采用共同平均參考的方法，将受试者电极帽上每个电极采集的脑电信号减去所有电极采集的脑电信号的均值，得到共同平均參考空间滤波后的脑电信号；2b)基线校正将共同平均參考空间滤波后的脑电信号减去基线，得到基线校正后的脑电信号；2c)带通滤波利用有限脉冲响应滤波器，对基线校正后的脑电信号进行带通滤波，得到频带为4-40HZ的脑电信号；2d)截取信号段利用EEGLAB软件，在带通滤波后的脑电信号中截取受试者想象单侧手指运动过程中的脑电信号段，得到预处理后的脑电信号；(3)频域滤波利用带通滤波器对预处理后的脑电信号滤波，得到多个等带宽、无重叠频带、依次排列的子频带脑电信号；(4)时域分段将每个子频带脑电信号按时间段截断，划分为多个等时间段、互不重叠、依次排列的子信号；
(5)空间滤波采用共同空间模式方法，对时域分段后的每个子信号进行空间滤波，得到想象单侧手指运动的脑电信号特征向量；将所有特征向量中各元素依次排列，构成总特征向量；(6)特征选择在总特征向量中选取出与左右手运动想象任务类别间的互信息最大的元素构成最优特征向量；(7)分类利用朴素贝叶斯分类器，采取交叉验证方法，对最优特征向量分类，得到分类正确率。本发明与现有技术相比具有如下优点 第一，本发明由于同时考虑了运动想象时脑电信号发生事件相关去同步的脑区、频率和时间的信息，克服了现有技术中仅仅考虑发生事件相关去同步的脑区和频率的个体差异性的局限性，能够有效地提高脑电信号的分类正确率。第二，本发明由于同时考虑了运动想象时脑电信号发生事件相关去同步的脑区、频率和时间的信息，克服了在脑电信号分类过程中依赖于经验数据选取特定时间段的脑电信号的局限性，能够实现对无经验数据的脑电信号的分析。
图I为本发明的流程图；图2为本发明采集数据步骤中屏幕提示符示意图；图3为本发明采集数据步骤的示意图；图4为本发明实施例的示意图。
具体实施例方式下面结合附图I对本发明做进ー步的描述。步骤I，采集数据脑电信号采集系统通过受试者佩戴的电极帽，采集想象单侧手指运动的脑电信号。脑电信号由佩戴在受试者头上的电极帽获取，并通过脑电放大器放大和摸/数转换器转换，输入计算机，以信号电压幅值的形式存储并显示。受试者佩戴电极帽，坐在椅子上平视距其Im左右的显示器。脑电信号采集系统的采样频率为250Hz，测试电极分别为C3，Cz, C4，脑电信号的波动值域为±100yV。參照图2，在本发明采集数据步骤中，显示器的提示符有三种，显示器中标有十字叉的代表准备提/In 显不器中标有向左的箭头代表想象左手运动提不，向右的箭头代表想象右手运动提不。參考图3，本发明采集数据实施例开始O秒至3秒时屏幕出现准备提示，并在第2秒出现短暂的提示音(lkHZ，70ms)。随后，屏幕出现想象左手运动提示或想象右手提示，并持续I. 25秒。在第4秒，受试者开始想象相应的手指运动，并持续3秒。每次实施例后休息I. 5秒至2. 5秒。左右手指运动想象实验各120次，顺序上随机排列。步骤2，预处理利用EEGLAB软件的预处理功能对采集的脑电信号进行预处理。
2a)空间滤波采用共同平均參考的方法，将受试者电极帽上每个电极采集的脑电信号减去所有电极采集的脑电信号的均值，得到共同平均參考空间滤波后的脑电信号；2b)基线校正以受试者想象单侧手指运动之前的200ms脑电信号为基线。将共同平均參考空间滤波后的脑电信号减去基线，得到基线校正后的脑电信号；2c)带通滤波利用有限脉冲响应滤波器，对基线校正后的脑电信号进行带通滤波，得到频带为4-40HZ的脑电信号2d)截取信号段利用EEGLAB软件，在带通滤波后的脑电信号中截取受试者想象单侧手指运动过程中的脑电信号段，得到预处理后的脑电信号；步骤3，频域滤波利用有限脉冲响应滤波器对预处理后的脑电信号滤波，得到频带带宽均为4Hz，无重叠频带、依次排列的9个子频带脑电信号；步骤4，时域分段将每个子频带脑电信号按时间段截断，划分为32个等时间段、互不重叠、依次排列的子信号；步骤5，空间滤波采用共同空间模式方法，对时域分段后得出的9*32 = 288个子信号中每个子信号进行參数m = I的空间滤波，得到有2m = 2个元素的想象单侧手指运动的脑电信号特征向量。将288个特征向量中所有元素依次排列，构成有288*2 = 576个元素的总特征向量。共同空间模式方法要是使得某一任务的信号有最大方差，与此同时在另一任务的信号有最小方差。其基本原理是对两种任务信号的协方差矩阵同时对角化，提取用于区分两种任务信号的主要成分。第一歩，估计两类运动想象脑电信号的协方差矩阵；空间滤波后的脑电信号的均值近似为零，协方差可估计为ん=—^S^S'J，其中ω e {I, r}其中，Σ ω为类ω的协方差矩阵，ηω为属于类ω的脑电信号的个数，兄为第i个属于类ω空间滤波后的脑电信号，i = 1，2，...，ηω，1为想象左手运动任务类，r为想象右手运动类，T是转置符。第二歩，将两协方差矩阵同时对角化，得到其共同的广义特征向量；将该广义特征向量作为共同空间模式的映射矩阵；计算广义特征向量W :Σ iff = ( Σ !+ Σ r)ff A其中，Σ i和Σ ^分别为想象左右手运动脑电信号的协方差矩阵，由于两协方差矩阵是同时对角化的，则Σ I和Σ r的特征值和为I ;胃是共同空间模式的映射矩阵，其列向量是共同空间模式映射的滤波器；Λ是由ΣI的广义特征值构成的对角矩阵。第三步，将共同空间模式的映射矩阵的前m个列向量和后m个列向量构成替代的映射矩阵示，其中I < m < η/2, η为共同空间模式的映射矩阵列向量的个数；第四步，按照下式提取区分两类运动想象的脑电信号的特征向量 f = \og{diag(jv SStW)/tr(W SStW))
其中，f为两类运动想象脑电信号的特征向量表达；log(·)为对数函数；diag( ·)为乘方矩阵 对角元素构成的对角矩阵；示为共同空间模式的替代映射矩阵；T代表转置符；S为时域分段后的子信号；tr( ·)为乘方矩阵对角元素的和。步骤6,特征选择在有576个元素的总特征向量中选取出与左右手运动想象任务类别间的互信息最大的288个元素构成最优特征向量。步骤7，特征分类利用朴素贝叶斯分类器，采取交叉验证方法，对最优特征向量分类，得到分类正确率。选择步骤6得到的一个脑电信号的最优特征向量作为测试数据，其余脑电信号的最优特征向量作为训练数据；贝叶斯分类器利用训练数据建立分类模型，将测试数据代入分类模型得到分类类别，比较分类类别与实际任务类别，得到正确分类或错误分类的结果；依次将每个脑电信号的最优特征向量作为一次测试数据，统计所有测试数据的分类結果，得到分类正确率。下面结合图4，对本发明的具体实现方式做进ー步描述。采集数据脑电信号采集系统通过受试者佩戴的电极帽，采集想象单侧手指运动的脑电信号。预处理利用EEGLAB软件的预处理功能对采集的脑电信号进行预处理。频域滤波利用有限脉冲响应滤波器对预处理后的脑电信号滤波，得到频带分别为 4-8Hz，8-12Hz，12_16Hz, 16_20Hz，20_24Hz，24_28Hz，28_32Hz，32_36Hz，36_40Hz 的带宽均为4Hz，无重叠频带、依次排列的9个子频带脑电信号时域分段将每个子频带脑电信号按时间段截断，划分为0-0. 125s,
O.125-0. 250s, O. 250-0. 325s, O. 325-0. 500s,......,3. 875_4s 的 32 个等时间段、互不重叠、
依次排列的子信号；空间滤波采用共同空间模式方法，对时域分段后得出的9*32 = 288个子信号中每个子信号进行參数m = I的空间滤波，得到有2m = 2个元素的想象单侧手指运动的脑电信号特征向量。将288个特征向量中所有元素依次排列，构成有288*2 = 576个元素的总特征向量。特征选择在有576个元素的总特征向量中选取出与左右手运动想象任务类别间的互信息最大的288个元素构成最优特征向量。分类利用朴素贝叶斯分类器，采取交叉验证方法，对最优特征向量分类，得到分类正确率。
权利要求
1.运动想象脑电信号特征的提取方法，包括 (1)采集数据 脑电信号采集系统通过受试者佩戴的电极帽，采集想象单侧手指运动的脑电信号； (2)预处理 2a)空间滤波采用共同平均參考的方法，将受试者电极帽上每个电极采集的脑电信号减去所有电极采集的脑电信号的均值，得到共同平均參考空间滤波后的脑电信号； 2b)基线校正将共同平均參考空间滤波后的脑电信号减去基线，得到基线校正后的脑电信号； 2c)带通滤波利用有限脉冲响应滤波器，对基线校正后的脑电信号进行带通滤波，得到频带为4-40Hz的脑电信号； 2d)截取信号段利用EEGLAB软件，在带通滤波后的脑电信号中截取受试者想象单侧手指运动过程中的脑电信号段，得到预处理后的脑电信号； (3)频域滤波 利用带通滤波器对预处理后的脑电信号滤波，得到多个等带宽、无重叠频带、依次排列的子频带脑电信号； (4)时域分段 将每个子频带脑电信号按时间段截断，划分为多个等时间段、互不重叠、依次排列的子信号; (5)空间滤波 采用共同空间模式方法，对时域分段后的每个子信号进行空间滤波，得到想象单侧手指运动的脑电信号特征向量；将所有特征向量中各元素依次排列，构成总特征向量； (6)特征选择 在总特征向量中选取出与左右手运动想象任务类别间的互信息最大的元素构成最优特征向量； (7)分类 利用朴素贝叶斯分类器，采取交叉验证方法，对最优特征向量分类，得到分类正确率。
2.根据权利要求I所述的运动想象脑电信号特征的提取方法，其特征在于步骤2b)所述的基线为受试者想象单侧手指运动之前的200ms脑电信号。
3.根据权利要求I所述的运动想象脑电信号特征的提取方法，其特征在于步骤(3)中所述的带通滤波器为有限脉冲响应滤波器。
4.根据权利要求I所述的运动想象脑电信号特征的提取方法，其特征在于步骤(5)中所述的共同空间模式方法为 第一歩，估计两类运动想象脑电信号的协方差矩阵； 第二歩，将两协方差矩阵同时对角化，得到其共同的广义特征向量；将该广义特征向量作为共同空间模式的映射矩阵； 第三步，将共同空间模式的映射矩阵的前m个列向量和后m个列向量构成替代的映射矩阵示，其中I < m < η/2，η为共同空间模式的映射矩阵列向量的个数； 第四步，按照下式提取区分两类运动想象的脑电信号的特征向量f = log{diag{W SStW)/tr^TSStW)) 其中，f为两类运动想象脑电信号的特征向量表达； log( ·)为对数函数； diag( ·)为乘方矩阵对角元素构成的对角矩阵； 示为共同空间模式的替代映射矩阵； T代表转置符； S为时域分段后的子信号； tr( ·)为乘方矩阵对角元素的和。
5.根据权利要求I所述的运动想象脑电信号特征的提取方法，其特征在于步骤(6)中所述的最优特征向量元素的个数为总特征向量元素个数的一半。
6.根据权利要求I所述的运动想象脑电信号特征的提取方法，其特征在于步骤(7)中所述的交叉验证方法是指，选择步骤(6)得到的一个脑电信号的最优特征向量作为测试数据，其余脑电信号的最优特征向量作为训练数据；分类器利用训练数据建立分类模型，将测试数据代入分类模型得到分类类别，比较分类类别与实际任务类别，得到正确分类或错误分类的結果；依次将每个脑电信号的最优特征向量作为一次测试数据，统计所有测试数据的分类结果，得到分类正确率。
全文摘要
本发明公开了一种运动想象脑电信号特征的提取方法。该方法充分考虑运动想象时脑电信号发生事件相关去同步的脑区、频率和时间的信息，以便取得更高的分类正确率。具体实验步骤包括采集数据，预处理，频域滤波，时域分段，空间滤波，特征选择和分类。本发明克服了以往仅考虑发生事件相关去同步的脑区和频率的个体差异性的缺陷，充分考虑了发生事件相关去同步的时段的个体的差异性，具有准确，高分辨率的优点，可以应用于对无经验数据的运动想象脑电信号的离线分析。
文档编号A61B5/048GK102613972SQ20121008501
公开日2012年8月1日 申请日期2012年3月28日 优先权日2012年3月28日
发明者何嘉全, 侯秉文, 刘鹏, 周广玉 申请人:西安电子科技大学